基于贝叶斯算法的心理测试情感分析

宋海燕

摘要：随着社会的快速发展，大学生的各种心理问题日益突出。从研究大学生心理情感的角度出发，介绍了文本情感分析模型相关理论和实现过程，详细论述了应用Python语言进行心理情感数据标注、预处理、构建贝叶斯模型、测试模型、评估模型性能的过程，通过测试，模型预测正确率达到0.862。针对存在的问题，提出了下一步改进模型性能的实施方案，为广泛筛查大学生的心理问题提供参考。

关键词：文本情感分析；机器学习；贝叶斯算法；python语言；F1 Score

一、前言

随着人工智能技术的不断发展，心理测试在社会生活中的应用越来越广泛，对心理测试进行情感分析的需求也越来越迫切。但是由于心理测试本身的特殊性，如主观性、被测者的不同和被测者自身情绪波动等因素，使得基于机器学习的心理测试情感分析技术成为一种有效的方法[1]。在国家相关政策的指导下，各高校十分重视学生心理健康工作，但是在开展工作时存在“两难”问题。“一难”是难发现：有的学生心理问题较轻或者缺乏心理健康知识，自己没有意识到心理有问题；有的学生知道自己心理有问题，但是对周围人产生警惕，不愿意表达。对于这两类学生，教师很难发现他们的心理问题，也就不能在早期进行干预。“二难”是难治疗：高校心理教师少，学生多，师资力量薄弱。对于心理问题较严重的学生，教师很难多次长期开展心理疗愈[2]。针对上述问题，应用机器学习技术，本文提出基于贝叶斯算法的心理测试情感分析模型，便于开展学生早期心理问题筛查，帮助学校做好学生心理问题防御工作。

二、文本情感分析

文本情感分析，又称倾向性分析或意见挖掘，是对带有感情色彩的主观性文本进行分析、处理、归纳和推理的过程。常见的情感分析方法有两种：基于情感词典的分析方法和基于机器学习的分析方法[3]。基于情感词典的分析方法，是通过制订一系列的情感词典和规则，拆解文本、分析句法、计算情感值，使用情感值判断文本的情感倾向。此方法简单，应用广泛，但是遇到新词或者特殊词就无法识别，扩展性不好[4]。基于机器学习的分析方法，通常会把问题转换成分类问题看待，将目标情感分为“正、负”两类，或者根据情感程度的不同划分为1-5类，然后人工标注训练文本，进行有监督的机器学习。例如，朴素贝叶斯就是经典的机器学习算法之一，也是极少的基于概率论的分类算法。它的思想基础是：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别[5]。

本文采用基于机器学习的情感分析方法，开展大学生心理测试。开展测试时，教师给学生提供一个宽松的生活场景、颜色或图片，让学生写一段文字，在文字中会包含情感倾向的词语，如正向词语“高兴、开心”，反向词语“难过、痛苦”，中性词语“吃饭、睡觉”等等。教师收集到这些文字后，经过数据标注等预处理操作，再输入到模型中，开展心理问题筛查，初步诊断学生的心理健康状况。

三、数据预处理

收集到原始文本后，需要进行一系列数据预处理工作，主要包括数据去重、分词、词形归一化、删除停用词。经过这几个阶段，原始文本转换成词语列表，之后输入到模型中进行训练[6]。

（一）分词

分词是指将连续字符组成的语句，按照一定的规则划分成独立词语的过程。不同语言具有不同的语法结构，分词方法也存在差异[7]。比如，英文句子中单词和单词之间以空格分隔，在分词时可以使用空格作为分词的标记，而中文句子中词和词之间没有形式上的分界符，只能靠语义来理解。因此，中文分词要比英文分词困难很多。

根据中文的结构特点，分词算法分为三类：基于规则的分词方法、基于统计的分词方法、基于理解的分词方法。

目前，文本分词已经有很多成熟的算法和工具，本文使用的是Jieba库和NLTK库。Jieba库用于中文分词，NLTK库用于外文分词。Jieba支持三种分词模式：精确模式、全模式和搜索引擎模式。本文采用精确模式分词，根据日常的中文语义分词。

（二）词形归一化

词形归一化针对英文而言。在英文中，一个单词经常会有多种变换形式，比如cooking是cook的现在分词，cooked是cook的过去式，这些会影响语料库学习的准确度。因此，在进行机器学习前，需要把单词的不同形态转换成原型，称为词形归一化[8]。

词形归一化主要有两种方法：词干提取和词形还原。词干提取是指删除不影响词形的词缀，得到单词词干的过程，只能提取规范的词形变换，例如将cooking变为cook。词形还原不仅可以提取规范的词形变换，还能够捕捉不规范的词形变换，例如将better变为good。

NLTK中的stem模块提供了多种词干提取器，如波特词干提取器、兰卡斯特词干提取器。同时stem模块也提供了词形还原类WordNetLemmatizer，在使用此类前，要确保已安装WordNet语料库。

（三）删除停用词

停用词是指在自然语言中没有实际意义的字或词，如英文单词“a”“the”，中文单词“啊”“吧”等。停用词的存在增加了文本的特征难度，降低了文本分析的效率，停用词过多时还有可能导致数据分析结果的较大偏差，因此，通常在数据预处理过程中将它们删除[9]。

停用词是人工输入的一个文本文档，称为停用词表。中文停用词表主要有中文停用词库、哈工大停用词表、百度停用词表。NLTK中自带外文停用词表，使用前要先安装stopwords语料库。

四、朴素贝叶斯算法

朴素贝叶斯算法（Naive Bayesian algorithm）是使用概率统计的方法对样本数据集进行分类，是应用最广泛的分类算法之一。它假设特征条件之间相互独立，先通过给定的训练集，学习从输入到输出的联合概率分布，再基于学习到的模型，对给定的输入X求出后验概率最大输出Y。贝叶斯算法结合了先验概率和后验概率，避免了只使用先验概率的主观偏见，也避免了单独使用样本信息的过拟合现象。贝叶斯公式如下[10]：

五、基于贝叶斯算法的心理测试模型设计与实现

（一）数据来源

本文采集阳光心理论坛1294份情感文本进行实例分析建模，通过人工标注将文本分成“积极”和“消极”两类情感数据。情感文本表达的画面充满活力，如阳光明媚、美丽等，被认为是“积极”情感；画面中性，如客观描述一个事物，也被认为是“积极”情感；画面昏暗无光，如毛骨悚然、黑洞等，被认为是“消极”情感。进行数据标注时，“积极”情感用1表示，“消极”情感用-1表示。文本部分内容和标签如图1所示。

（二）数据预处理

1.删除重复值

在采集的情感文本中使用data = data.drop_duplicates（）删除重复的数据，提高分析的准确性。执行完此语句后，文本数据量仍然是1294条，说明采集到的文本中没有重复值。

2.分词

导入中文分词工具Jieba库，调用jieba.lcut（）方法，使用精确模式划分情感文本，部分分词结果如图2所示。

从图2中可以看出，“世外桃源”“红彤彤”“太阳”这些词能够表达情感和心情，将这些词保存下来进行下一步的机器学习；而“这”“是”“个”这些词没有实际的含义，对分析结果没有价值，属于停用词，需要删除。

3.删除停用词

本文从百度下载停用词表，此表是文本文件，可以根据需要自行添加停用词。先加载停用词表，再从分词表cut_word中，依次选取每个词，判断是否在停用词表中，如果不在，则放入一个新列表中，最终得到的新列表就是后续机器学习用到的数据表。新数据表如图3所示。

（三）心理测试模型

1.构建数据集

情感文本data中的每段描述text都需要进行上述的文本预处理，转换成新数据表，新数据表和对应的label标签合并成一个列表，合成包含1294个列表的数据集，如图4所示。

2.划分数据集

将上述构建好的数据集划分成两类：训练集和测试集。本文选取前1100条数据作为训练集，剩下的194条数据作为测试集。训练集用来训练模型；测试集使用训练好的模型进行预测分析，并为每条数据贴上标签“1”或“-1”，以判断是积极情感还是消极情感。将人工标注的标签与分析预测结果标签做比对，以此评价模型的准确度。

3.建立贝叶斯模型

导入贝叶斯分类器，建立贝叶斯模型，使用上述训练集训练模型。

from nltk.classify import NaiveBayesClassifier

demo_model = NaiveBayesClassifier.train（train_data[0：1099]）

（四）模型测试

使用训练好的贝叶斯模型，用194条测试数据集测试模型，测试结果如图5所示。

从测试结果可以看出，文本1的描述是积极的，测试结果是1，也是积极的；文本2的描述是消极的，测试结果是-1，也是消极的；文本3是消极的，但是测试结果是1，是积极的。对于文本1和文本2，在训练文本中出现过其中的关键词，所以机器学到了，就能给出正确的判断；对于文本3，在训练文本中没出现过的关键词，机器没有学会，给出了错误的判断。因此，对于模型的训练需要大量数据，数据量越大，模型越准确，性能越高。

（五）性能评价

模型训练好后，使用正确率、精度、召回率、F1 Score几个指标衡量模型的性能，如表6所示。

从图6可以看出，模型的正确率为0.862，预测结果良好。

六、结语

本文使用Python语言构建心理测试贝叶斯模型，取得了良好的预测效果，但是也存在一些不足。下一步，计划从以下三个方面入手，提高模型的性能。一是增加测试样本数据。机器学习是一种数据驱动型技术，海量数据与机器学习算法结合才能带来预测效果的提升。数据量不足时，机器学习容易出现过拟合，泛化效果差。二是保证测试样本数据分布均衡。选取测试样本时，正向样本和负向样本数量尽量保证均衡，防止出现某类样本测试正确率高而另一类样本低的情况。三是大规模开展学生测试。网络获取的数据人员结构比较复杂，不一定完全符合大学生的心理状态，因此在大学生群体中开展测试，获得测试样本数据，测试结果更有针对性。

参考文献

[1]Zhai S， Zhang ZM. Semisupervised autoencoder for sentiment analysis[C]//Thirtieth AAAI Conference on Artificial Intelligence. AAAI Press， 2016.

[2]黑马程序员.python数据分析与应用[M].北京：中国铁道出版社有限公司，2021.

[3]胡梦雅，樊重俊，朱玥.基于机器学习的微博评论情感分析[J].信息与电脑，2020，32（12）：71-73.

[4]宋冠谕，程登，张森，等.基于情感词典的文本情感分数计算模型[J].信息与电脑（理论版），2021，33（22）：56-58.

[5]胡晶.基于朴素贝叶斯的新闻分类问题算法改进问题的研究[J].电脑与信息技术，2023，31（2）：5-8.

[6]刘鑫，王皓晨，黄宇煦.基于朴素贝叶斯分类的电信诈骗信息的识别[J].计算机时代，2023，370（4）：29-32+38.

[7]邓慈云，余国清.基于朴素贝叶斯的影评情感分析研究[J].智能计算机与应用，2023，13（2）：210-212+217.

[8]魏超.机器学习算法在大学生综合素质测评预警中的对比研究[J].电脑编程技巧与维护，2022，450（12）：127-129.

[9]陈可嘉，夏瑞东，林鸿熙，等.基于在线评论的顾客满意感地区差异分析[J].福州大学学报（哲学社会科学版），2022，36（6）：69-75.

[10]王恒，唐孝国，郭俊亮.基于电商评价的文本情感分析研究与应用[J].黑龙江科学，2022，13（12）：29-31.

基金项目：2019年度内蒙古自治区高等学校产学研科技创新平台项目“新工科ICT信息服务技术中心”（课题编号：NJCXY-19-03）